CN113379286B - 一种高精地图众包中基于参与者贡献的反向拍卖方法 - Google Patents

一种高精地图众包中基于参与者贡献的反向拍卖方法 Download PDF

Info

Publication number
CN113379286B
CN113379286B CN202110709450.8A CN202110709450A CN113379286B CN 113379286 B CN113379286 B CN 113379286B CN 202110709450 A CN202110709450 A CN 202110709450A CN 113379286 B CN113379286 B CN 113379286B
Authority
CN
China
Prior art keywords
vehicle
vehicles
crowdsourcing
road
round
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110709450.8A
Other languages
English (en)
Other versions
CN113379286A (zh
Inventor
唐洁
姚令冰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN202110709450.8A priority Critical patent/CN113379286B/zh
Publication of CN113379286A publication Critical patent/CN113379286A/zh
Application granted granted Critical
Publication of CN113379286B publication Critical patent/CN113379286B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • G06Q10/063112—Skill-based matching of a person or a group to a task
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0611—Request for offers or quotes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Finance (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Accounting & Taxation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种高精地图众包中基于参与者贡献的反向拍卖方法，包括：平台招募智能车参与众包；参与者车辆收集道路语义数据，上传覆盖集和报价；平台根据覆盖集计算参与者的真实贡献和潜在贡献，同时结合车辆的报价，选择获胜车辆集；平台对获胜者给予报酬，并获得对应的感知数据，对失败者提供虚拟参与积分；失败者计算投资回报率，决定退出与否。本发明将众包参与者设定为具有语义输出能力的智能车，并通过目标道路不同阶段的语义感知程度量化道路优先级，进一步地计算参与者贡献。该方法能够有效地量化参与者对地图众包的贡献差异，有助于实现快速、均匀的地图覆盖，并能够保证活跃参与者数量，实现高精地图众包中的长期数据质量保障。

Description

一种高精地图众包中基于参与者贡献的反向拍卖方法
技术领域
本发明涉及城市智能交通的技术领域，尤其是指一种高精地图众包中基于参与者贡献的反向拍卖方法。
背景技术
高精地图是实现无人驾驶的关键技术，提供了高度精确的道路模型来保障无人车的行驶安全，往往需要进行频繁的更新。通过专业采集车队测量道路数据的方式昂贵而耗时，难以保证地图更新的实时性与高覆盖。使用众包收集方式在边缘侧收集、筛选、聚合大量智能车辆的传感数据，能够实现覆盖区域广泛、实时性高、成本开销低廉的地图服务。在这一过程中，无人车/智能车既是地图服务的请求者也是地图更新的众包数据提供者，车辆在行驶过程中不断地采集图像、识别图像来感知与理解行车环境，并完成后续的行车决策。这一过程中输出关键的环境语义(如交通标志等)将成为判断地图更新是否发生的重要来源，对众包数据质量判断具有重要的指导意义。
然而，为了确保无人驾驶的安全性和可靠性，高精地图还需要长期的、大规模的实时更新以维持地图的时效性与准确性，因高精地图众包将是一个长期持续的过程，面临着长期的数据质量保障问题。一方面，为了实现均匀的地图众包，需要从语义层面量化地图中各道路的感知程度；另一方面，需要激励具有潜力的车辆持续参与众包，培养它们成为长期的活跃参与者，以保证地图众包的参与者数量。
因此，如何解决高精地图众包中的长期数据质量保障问题，激励智能车辆长期参与高精地图众包，持续提供高质量的图像和语义数据，对于高精地图的构建与更新、保障智能驾驶环境及至关重要。
发明内容
本发明的目的在于克服现有技术的缺点与不足，提出了一种高精地图众包中基于参与者贡献的反向拍卖方法，将众包参与者设定为具有语义输出能力的智能车，要求其上传的感知数据包括道路图像和语义数据；在有限的预算资源下，通过覆盖道路的重要性来量化不同参与者对地图更新的贡献差异，选择具有代表性的车辆集合以实现覆盖均匀的地图众包，解决了在高精地图的众包更新场景中的长期数据质量保障问题。
为实现上述目的，本发明所提供的技术方案为：一种高精地图众包中基于参与者贡献的反向拍卖方法，包括以下步骤：
S1、众包平台发布本轮高精地图众包的任务需求，招募车辆参与众包；其中，任务需求包括时间范围、空间范围和预算；
S2、参与众包的车辆收集感知数据，向众包平台上传覆盖集和报价；
S3、众包平台根据车辆的覆盖集计算车辆的真实贡献和潜在贡献；
S4、众包平台根据车辆的真实贡献、潜在贡献和报价，选择获胜车辆集；
S5、众包平台公布本轮的获胜车辆和失败车辆；根据获胜者的报价给予相应的报酬，并要求获胜车辆上传感知数据；对失败车辆提供虚拟参与积分，并告知本轮的最大获胜报价；
S6、失败车辆计算投资回报率，若低于给定的阈值，则计算期望投资回报率，若期望投资回报率仍然低于该阈值，则失败车辆退出拍卖。
进一步，在步骤S1中，要求众包平台在第n轮发布的高精地图众包任务需求有：
时间范围，包括任务开始时间和任务结束时间；
空间范围，包括一组目标道路集R＝{rk}，即根据道路拓扑划分为|R|个独立的道路rk；其中，对于每一个rk∈R，设定期望热度值EHk作为目标感知程度；
第n轮的预算βn，众包平台需要向第n轮的获胜车辆集
Figure BDA0003132651440000021
中的所有获胜车辆
Figure BDA0003132651440000022
提供报酬，且第n轮所有获胜车辆
Figure BDA0003132651440000023
的报酬
Figure BDA0003132651440000024
之和
Figure BDA0003132651440000025
在预算范围内：
Figure BDA0003132651440000026
进一步，在步骤S2中，要求参与第n轮众包的车辆
Figure BDA0003132651440000027
收集的数据有：
覆盖集，记作
Figure BDA0003132651440000028
表示车辆
Figure BDA0003132651440000029
在第n轮经过的所有道路，其中
Figure BDA00031326514400000210
表车辆标识符为j的车辆参与了第n轮众包；rk为车辆
Figure BDA00031326514400000211
所覆盖的道路，属于目标道路集R；
报价，表示为
Figure BDA00031326514400000212
表示车辆
Figure BDA00031326514400000213
参与地图众包并提供感知数据向众包平台索要的报酬；
感知数据，包括道路图像和语义数据；其中，语义数据为一组车辆语义集
Figure BDA00031326514400000214
的集合，记作
Figure BDA0003132651440000031
其中，
Figure BDA0003132651440000032
为车辆
Figure BDA0003132651440000033
对道路
Figure BDA0003132651440000034
的语义描述集合，由一组语义对象si组成：
Figure BDA0003132651440000035
利用车辆内置的视觉算法对道路图像进行语义分割，输出当前道路环境的语义内容；其中，si表示语义对象，由路旁物体的语义类型和位置信息组成；其中，语义类型包括车辆、交通标志、交通信号灯和车道线。
进一步，所述步骤S3包括以下步骤：
S301、根据车辆的覆盖集计算车辆的真实贡献，包括以下步骤：
S3011、计算道路热度值；
为了衡量当前道路的感知程度，将第n轮众包结束后给定道路rk的热度值记为
Figure BDA0003132651440000036
即当前道路语义集
Figure BDA0003132651440000037
的平均语义确认次数：
Figure BDA0003132651440000038
其中，道路语义集
Figure BDA0003132651440000039
为多个车辆对道路rk的总体语义描述，即多个车辆语义集
Figure BDA00031326514400000310
的并集：
Figure BDA00031326514400000311
其中，
Figure BDA00031326514400000312
为第m轮的获胜车辆
Figure BDA00031326514400000313
在道路rk内采集的语义数据，
Figure BDA00031326514400000314
能够描述当前道路rk中所有语义对象的整体感知情况；si表示语义对象，由路旁物体的语义类型和位置信息组成；每个语义对象si都有一个累积统计的确认次数ci，记作si.ci，表示所述语义对象si被车辆确认的次数；
S3012、计算道路优先级；
假设第n-1轮众包结束后，道路rk的热度值为
Figure BDA00031326514400000315
根据众包平台为rk设定的期望热度值EHk定义道路rk在第n轮众包的道路优先级
Figure BDA00031326514400000316
为：
Figure BDA00031326514400000317
其中，上界参数λ1＞0，阈值参数
Figure BDA0003132651440000041
比例参数为ρ且0＜ρ＜1；
S3013、根据车辆的覆盖集，计算车辆真实贡献；其中，车辆
Figure BDA0003132651440000042
的真实贡献等于本轮其覆盖的所有道路优先级之和
Figure BDA0003132651440000043
Figure BDA0003132651440000044
S303、根据车辆的覆盖集，计算车辆的潜在贡献，包括以下步骤：
S3031、根据车辆的覆盖集，计算车辆本轮的覆盖向量；其中，车辆的覆盖集
Figure BDA0003132651440000045
rk为车辆
Figure BDA0003132651440000046
所覆盖的道路，属于目标道路集R，于是车辆
Figure BDA0003132651440000047
在第n轮的覆盖向量
Figure BDA0003132651440000048
其中，
Figure BDA0003132651440000049
如果
Figure BDA00031326514400000410
则
Figure BDA00031326514400000411
表示车辆
Figure BDA00031326514400000412
在第n轮采集了道路rk的道路图像和语义数据，否则
Figure BDA00031326514400000413
S3032、根据车辆的历史覆盖向量和本轮的覆盖向量，计算下一轮的车辆覆盖概率向量；其中，车辆
Figure BDA00031326514400000414
的历史覆盖向量和第n轮的覆盖向量分别为
Figure BDA00031326514400000415
和
Figure BDA00031326514400000416
车辆
Figure BDA00031326514400000417
第n+1轮的覆盖概率向量
Figure BDA00031326514400000418
其中，
Figure BDA00031326514400000419
Figure BDA00031326514400000420
为车辆
Figure BDA00031326514400000421
在第n+1轮众包覆盖道路rk的概率：
Figure BDA00031326514400000422
其中，
Figure BDA00031326514400000423
为车辆
Figure BDA00031326514400000424
的参与次数，
Figure BDA00031326514400000425
S3033、通过车辆覆盖概率向量，计算车辆潜在贡献；其中，车辆
Figure BDA00031326514400000426
的在第n轮的潜在贡献
Figure BDA00031326514400000427
与其第n+1轮可能经过道路的优先级有关：
Figure BDA00031326514400000428
进一步，所述步骤S4包括以下步骤：
S401、获得第n轮的候选车辆集Vn；其中，
Figure BDA00031326514400000429
S402、初始化第n轮的预算值βn，获胜车辆集
Figure BDA0003132651440000051
失败车辆集
Figure BDA0003132651440000052
当前支出curCost←0；
S403、对于车辆
Figure BDA0003132651440000053
且如果车辆报价满足预算条件，即报价
Figure BDA0003132651440000054
根据车辆的真实贡献、潜在贡献和报价，计算车辆边际贡献；其中，车辆的边际贡献
Figure BDA0003132651440000055
为：
Figure BDA0003132651440000056
其中，
Figure BDA0003132651440000057
为真实贡献，
Figure BDA0003132651440000058
为报价，
Figure BDA0003132651440000059
为虚拟参与积分：
Figure BDA00031326514400000510
其中，
Figure BDA00031326514400000511
为车辆
Figure BDA00031326514400000512
在第n-1轮的潜在贡献，若车辆
Figure BDA00031326514400000513
在第n-1轮的拍卖中失败，其在第n轮的虚拟参与积分
Figure BDA00031326514400000514
与潜在贡献
Figure BDA00031326514400000515
成比例，ε为潜在贡献因子；否则，其虚拟参与积分
Figure BDA00031326514400000516
S404、对于满足预算条件的车辆
Figure BDA00031326514400000517
选择边际贡献
Figure BDA00031326514400000518
最大的车辆，加入获胜车辆集，即
Figure BDA00031326514400000519
同时，修改当前支出
Figure BDA00031326514400000520
S405、重复以上步骤S403和S404，直到curCost≥βn；
S406、计算失败车辆集
Figure BDA00031326514400000521
进一步，所述步骤S5包括以下步骤：
S501、众包平台公布本轮的获胜车辆和失败车辆；
S502、根据获胜者报价给予报酬，要求获胜车辆上传感知数据；其中，感知数据包括道路图像和语义数据；
S503、对失败车辆
Figure BDA00031326514400000522
提供虚拟参与积分，并告知本轮的最大获胜报价
Figure BDA00031326514400000523
其中，
Figure BDA00031326514400000524
为第n轮的失败车辆集，最大获胜报价
Figure BDA00031326514400000525
为所有获胜车辆
Figure BDA00031326514400000526
的最大报价
Figure BDA00031326514400000527
Figure BDA00031326514400000528
为第n轮的获胜车辆集，
Figure BDA00031326514400000529
为报价。
进一步，所述步骤S6包括以下步骤：
S601、第n轮众包中的失败车辆
Figure BDA00031326514400000530
计算投资回报率
Figure BDA00031326514400000531
Figure BDA00031326514400000532
为第n轮的失败车辆集；其中，投资回报率为：
Figure BDA0003132651440000061
其中，
Figure BDA0003132651440000062
为截止到第n轮拍卖结束时失败车辆
Figure BDA0003132651440000063
获得的总收益，其中，
Figure BDA0003132651440000064
为失败车辆
Figure BDA0003132651440000065
的参与次数，
Figure BDA0003132651440000066
为失败车辆
Figure BDA0003132651440000067
参与多轮众包投入的总成本，πj为容忍周期；
S602、若投资回报率
Figure BDA0003132651440000068
低于给定的阈值θj，则计算下一轮的期望投资回报率
Figure BDA0003132651440000069
其中，期望投资回报率为：
Figure BDA00031326514400000610
其中，
Figure BDA00031326514400000611
为最大获胜报价；
S603、若期望投资回报率
Figure BDA00031326514400000612
高于给定的阈值θj，则回归到众包中；若
Figure BDA00031326514400000613
仍然低于阈值θj则失败车辆
Figure BDA00031326514400000614
退出拍卖。
本发明与现有技术相比，具有如下优点与有益效果：
1、本发明基于高精地图服务请求者-智能车的特点，充分利用其智能驾驶过程中产生的语义输出，作为地图更新的来源。
2、本发明针对高精地图众包提供了基于语义的道路热度值计算方法，充分考虑当前道路的实际语义感知程度作为众包整体质量计算的参考。
3、本发明提出了参与者贡献的量化方法，将参与者贡献划分为真实贡献和潜在贡献两部分；其中，真实贡献表现为车辆所覆盖道路的重要性；潜在贡献则被计算为车辆经过高优先级道路的可能性。该方法能够有效地量化参与者对地图众包的贡献差异，并作为参与者选择的关键依据。
4、本发明提出了基于潜在贡献的虚拟参与积分作为参与者激励机制，对于竞争中连续失败且具有潜力的参与者提供相应补偿，提高他们的获胜概率，激励它们长期参与地图众包，保证了众包中的活跃参与者数量。
附图说明
图1为本发明方法的流程示意图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
如图1所示，本发明提供了一种高精地图众包中基于参与者贡献的反向拍卖方法，具体情况如下：
S1、众包平台发布第n轮高精地图众包的任务需求，招募车辆参与众包；其中，要求众包平台在第n轮发布的高精地图众包任务需求有：
时间范围，包括任务开始时间和任务结束时间；例如，某轮众包任务开始时间为2021年5月6日0点0分，任务结束时间为2021年5月7日0点0分，其时间跨度为24小时；
空间范围，包括一组目标道路集R＝{rk}，即根据道路拓扑划分为|R|个独立的道路rk；其中，对于每一个rk∈R，设定期望热度值EHk作为目标感知程度；例如，设置目标道路集为R＝{r1,r2,r3,r4,r5,r6,r7}，则有|R|＝7；
第n轮的预算βn，众包平台需要向第n轮的获胜车辆集
Figure BDA0003132651440000071
中的所有获胜车辆
Figure BDA0003132651440000072
提供报酬，且第n轮所有获胜车辆
Figure BDA0003132651440000073
的报酬
Figure BDA0003132651440000074
之和
Figure BDA0003132651440000075
在预算范围内：
Figure BDA0003132651440000076
S2、参与众包的车辆收集感知数据，向众包平台上传覆盖集和报价；其中，要求车辆
Figure BDA0003132651440000077
收集的主要数据有：
覆盖集，记作
Figure BDA0003132651440000078
表示车辆
Figure BDA0003132651440000079
在第n轮经过的所有道路，其中
Figure BDA00031326514400000710
表车辆标识符为j的车辆参与了第n轮众包；rk为车辆
Figure BDA00031326514400000711
所覆盖的道路，属于目标道路集R；例如，目标道路集为R＝{r1,r2,r3,r4,r5,r6,r7}，标识符为1的车辆
Figure BDA00031326514400000712
参与了第3轮众包，在道路r1,r4,r5,r7上采集了感知数据，于是其覆盖集为
Figure BDA00031326514400000715
报价，表示为
Figure BDA00031326514400000713
表示车辆
Figure BDA00031326514400000714
参与地图众包并提供感知数据向众包平台索要的报酬；
感知数据，包括道路图像和语义数据；其中，语义数据为一组车辆语义集
Figure BDA0003132651440000081
的集合，记作
Figure BDA0003132651440000082
其中，
Figure BDA0003132651440000083
为车辆
Figure BDA0003132651440000084
对道路
Figure BDA0003132651440000085
的语义描述集合，由一组语义对象si组成：
Figure BDA0003132651440000086
利用车辆内置的视觉算法对道路图像进行语义分割，输出当前道路环境的语义内容；其中，si表示语义对象，由路旁物体的语义类型和位置信息组成；其中，语义类型包括车辆、交通标志、交通信号灯和车道线。
S3、众包平台根据车辆的覆盖集计算车辆的真实贡献和潜在贡献，包括以下步骤：
S301、根据车辆的覆盖集计算车辆的真实贡献，包括以下步骤：
S3011、计算道路热度值；
为了衡量当前道路的感知程度，将第n轮众包结束后给定道路rk的热度值记为
Figure BDA0003132651440000087
即当前道路语义集
Figure BDA0003132651440000088
的平均语义确认次数：
Figure BDA0003132651440000089
其中，道路语义集
Figure BDA00031326514400000810
为多个车辆对道路rk的总体语义描述，即多个车辆语义集
Figure BDA00031326514400000811
的并集：
Figure BDA00031326514400000812
其中，
Figure BDA00031326514400000813
为第m轮的获胜车辆
Figure BDA00031326514400000814
在道路rk内采集的语义数据，
Figure BDA00031326514400000815
能够描述当前道路rk中所有语义对象的整体感知情况；si表示语义对象，由路旁物体的语义类型和位置信息组成；每个语义对象si都有一个累积统计的确认次数ci，记作si.ci，表示所述语义对象si被车辆确认的次数；
S3012、计算道路优先级；
假设第n-1轮众包结束后，道路rk的热度值为
Figure BDA00031326514400000816
根据众包平台为rk设定的期望热度值EHk定义道路rk在第n轮众包的道路优先级
Figure BDA00031326514400000817
为：
Figure BDA00031326514400000818
其中，上界参数λ1＞0，阈值参数
Figure BDA0003132651440000091
比例参数为ρ且0＜ρ＜1；
S3013、根据车辆的覆盖集，计算车辆真实贡献；其中，车辆
Figure BDA0003132651440000092
的真实贡献等于本轮其覆盖的所有道路优先级之和
Figure BDA0003132651440000093
Figure BDA0003132651440000094
S303、根据车辆的覆盖集，计算车辆的潜在贡献，包括以下步骤：
S3031、根据车辆的覆盖集，计算车辆本轮的覆盖向量；其中，车辆的覆盖集
Figure BDA0003132651440000095
rk为车辆
Figure BDA0003132651440000096
所覆盖的道路，属于目标道路集R，于是车辆
Figure BDA0003132651440000097
在第n轮的覆盖向量
Figure BDA0003132651440000098
其中，
Figure BDA0003132651440000099
如果
Figure BDA00031326514400000910
则
Figure BDA00031326514400000911
表示车辆
Figure BDA00031326514400000912
在第n轮采集了道路rk的道路图像和语义数据，否则
Figure BDA00031326514400000913
例如，目标道路集为R＝{r1,r2,r3,r4,r5,r6,r7}，参与了第3轮众包的车辆v1的覆盖集为
Figure BDA00031326514400000914
其覆盖向量为
Figure BDA00031326514400000915
S3032、根据车辆的历史覆盖向量和本轮的覆盖向量，计算下一轮的车辆覆盖概率向量；
其中，车辆
Figure BDA00031326514400000916
的历史覆盖向量和第n轮的覆盖向量分别为
Figure BDA00031326514400000917
和
Figure BDA00031326514400000918
车辆第n+1轮的覆盖概率向量
Figure BDA00031326514400000919
其中，
Figure BDA00031326514400000920
Figure BDA00031326514400000921
为车辆
Figure BDA00031326514400000922
在第n+1轮众包覆盖道路rk的概率：
Figure BDA00031326514400000923
其中，
Figure BDA00031326514400000924
为车辆
Figure BDA00031326514400000925
的参与次数，
Figure BDA00031326514400000926
例如，当前为第3轮众包，n＝3，对于车辆
Figure BDA00031326514400000927
参与其历史覆盖向量为
Figure BDA00031326514400000928
Figure BDA00031326514400000929
第3轮的覆盖向量为
Figure BDA00031326514400000930
得到车辆
Figure BDA00031326514400000931
第4轮的覆盖概率向量
Figure BDA00031326514400000932
S3033、通过车辆覆盖概率向量，计算车辆潜在贡献；
其中，车辆
Figure BDA00031326514400000933
在第n轮的的潜在贡献
Figure BDA00031326514400000934
与其第n+1轮可能经过道路的优先级的有关：
Figure BDA0003132651440000101
例如，车辆v1第4轮的覆盖概率向量为
Figure BDA0003132651440000102
当前道路集R中各道路的优先级分别为0.5，0.7，0.9，0.4，0.3，0.4，0.8，则
Figure BDA0003132651440000103
S4、众包平台根据车辆的真实贡献、潜在贡献和报价，选择获胜车辆集，包括以下步骤：
S401、获得第n轮的候选车辆集Vn；其中，
Figure BDA0003132651440000104
S402、初始化第n轮的预算值βn，获胜车辆集
Figure BDA0003132651440000105
失败车辆集
Figure BDA0003132651440000106
当前支出curCost←0；
S403、对于车辆
Figure BDA0003132651440000107
且如果车辆报价满足预算条件，即报价
Figure BDA0003132651440000108
根据车辆的真实贡献、潜在贡献和报价，计算车辆边际贡献；其中，车辆的边际贡献
Figure BDA0003132651440000109
为：
Figure BDA00031326514400001010
其中，
Figure BDA00031326514400001011
为真实贡献，
Figure BDA00031326514400001012
为报价，
Figure BDA00031326514400001013
为虚拟参与积分：
Figure BDA00031326514400001014
其中，
Figure BDA00031326514400001015
为车辆
Figure BDA00031326514400001016
在第n-1轮的潜在贡献，若车辆
Figure BDA00031326514400001017
在第n-1轮的拍卖中失败，其在第n轮的虚拟参与积分
Figure BDA00031326514400001018
与潜在贡献
Figure BDA00031326514400001019
成比例，ε为潜在贡献因子；否则，其虚拟参与积分
Figure BDA00031326514400001020
例如，v1在第3轮众包中竞争失败，若其潜在贡献为
Figure BDA00031326514400001021
若设置ε＝0.5，其在第4轮众包中的虚拟参与积分为
Figure BDA00031326514400001022
S404、对于满足预算条件的车辆
Figure BDA00031326514400001023
选择边际贡献
Figure BDA00031326514400001024
最大的车辆，加入获胜车辆集，即
Figure BDA00031326514400001025
同时，修改当前支出
Figure BDA00031326514400001026
S405、重复以上步骤S403和S404，直到curCost≥βn；
S406、计算失败车辆集
Figure BDA0003132651440000111
S5、众包平台公布本轮的获胜车辆和失败车辆；根据获胜者的报价给予相应的报酬，并要求获胜车辆上传感知数据；对失败车辆提供虚拟参与积分，并告知本轮的最大获胜报价；包括以下步骤：
S501、众包平台公布本轮的获胜车辆和失败车辆；
S502、根据获胜者报价给予报酬，要求获胜车辆上传感知数据；其中，感知数据包括道路图像和语义数据；
S503、对失败车辆
Figure BDA0003132651440000112
提供虚拟参与积分，并告知本轮的最大获胜报价
Figure BDA0003132651440000113
其中，
Figure BDA0003132651440000114
为第n轮的失败车辆集，最大获胜报价
Figure BDA0003132651440000115
为所有获胜车辆
Figure BDA0003132651440000116
的最大报价
Figure BDA0003132651440000117
Figure BDA0003132651440000118
为第n轮的获胜车辆集，
Figure BDA0003132651440000119
为报价。例如，第3轮获胜车辆集为
Figure BDA00031326514400001110
它们的报价
Figure BDA00031326514400001111
分别为4，5，4，3，则第3轮的最大获胜报价
Figure BDA00031326514400001112
S6、失败车辆计算投资回报率，若低于给定阈值，则计算期望投资回报率，若仍然低于阈值，则失败车辆退出拍卖，包括以下步骤：
S601、第n轮众包中的失败车辆
Figure BDA00031326514400001113
计算投资回报率
Figure BDA00031326514400001114
Figure BDA00031326514400001115
为第n轮的失败车辆集；其中，投资回报率为：
Figure BDA00031326514400001116
其中，
Figure BDA00031326514400001117
为截止到第n轮拍卖结束时失败车辆
Figure BDA00031326514400001118
获得的总收益，其中，
Figure BDA00031326514400001119
为失败车辆
Figure BDA00031326514400001120
的参与次数，
Figure BDA00031326514400001121
为失败车辆
Figure BDA00031326514400001122
参与多轮众包投入的总成本，πj为容忍周期；
S602、若投资回报率
Figure BDA00031326514400001123
低于给定的阈值θj，则计算下一轮的期望投资回报率
Figure BDA00031326514400001124
其中，期望投资回报率为：
Figure BDA00031326514400001125
其中，
Figure BDA00031326514400001126
为最大获胜报价；
S603、若期望投资回报率
Figure BDA0003132651440000121
高于给定的阈值θj，则回归到众包中；若
Figure BDA0003132651440000122
仍然低于阈值θj则失败车辆
Figure BDA0003132651440000123
退出拍卖；
例如，车辆
Figure BDA0003132651440000124
在第3轮众包中竞争失败，若投资回报率
Figure BDA0003132651440000125
低于阈值θ1＝0.5，则计算第4轮的期望投资回报率；若
Figure BDA0003132651440000126
则本来打算退出的
Figure BDA0003132651440000127
回归到众包中。
综上所述，本发明为高精地图众包长期数据质量保障提供了新的方法，充分利用智能车在驾驶过程中产生的语义输出，作为地图更新来源；能够快速地、均匀地实现大面积的道路覆盖，在地图长期累计覆盖方面表现优越；有效提高各道路的感知程度，保证语义数据的整体质量；能够提高参与者选择的公平性，有效的防止失败的参与者退出。该方法能够实现有效的高精地图众包中的长期数据质量保障，具有实际应用价值，值得推广。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (6)

1.一种高精地图众包中基于参与者贡献的反向拍卖方法，其特征在于，包括以下步骤：
S1、众包平台发布本轮高精地图众包的任务需求，招募车辆参与众包；其中，任务需求包括时间范围、空间范围和预算；
S2、参与众包的车辆收集感知数据，向众包平台上传覆盖集和报价；
S3、众包平台根据车辆的覆盖集计算车辆的真实贡献和潜在贡献，包括以下步骤：
S301、根据车辆的覆盖集计算车辆的真实贡献，包括以下步骤：
S3011、计算道路热度值；
为了衡量当前道路的感知程度，将第n轮众包结束后给定道路rk的热度值记为
Figure FDA0003626742400000011
即当前道路语义集
Figure FDA0003626742400000012
的平均语义确认次数：
Figure FDA0003626742400000013
其中，道路语义集
Figure FDA0003626742400000014
为多个车辆对道路rk的总体语义描述，即多个车辆语义集
Figure FDA0003626742400000015
的并集：
Figure FDA0003626742400000016
其中，
Figure FDA0003626742400000017
为第m轮的获胜车辆
Figure FDA0003626742400000018
在道路rk内采集的语义数据，
Figure FDA0003626742400000019
能够描述当前道路rk中所有语义对象的整体感知情况；si表示语义对象，由路旁物体的语义类型和位置信息组成；每个语义对象si都有一个累积统计的确认次数ci，记作si.ci，表示所述语义对象si被车辆确认的次数；
S3012、计算道路优先级；
假设第n-1轮众包结束后，道路rk的热度值为
Figure FDA00036267424000000110
根据众包平台为rk设定的期望热度值EHk定义道路rk在第n轮众包的道路优先级
Figure FDA00036267424000000111
为：
Figure FDA00036267424000000112
其中，上界参数λ1＞0，阈值参数
Figure FDA00036267424000000113
比例参数为ρ且0＜ρ＜1；
S3013、根据车辆的覆盖集，计算车辆真实贡献；其中，车辆
Figure FDA00036267424000000114
的真实贡献等于本轮其覆盖的所有道路优先级之和
Figure FDA0003626742400000021
Figure FDA0003626742400000022
S303、根据车辆的覆盖集，计算车辆的潜在贡献，包括以下步骤：
S3031、根据车辆的覆盖集，计算车辆本轮的覆盖向量；其中，车辆的覆盖集
Figure FDA0003626742400000023
rk为车辆
Figure FDA0003626742400000024
所覆盖的道路，属于目标道路集R，于是车辆
Figure FDA0003626742400000025
在第n轮的覆盖向量
Figure FDA0003626742400000026
其中，
Figure FDA0003626742400000027
如果
Figure FDA0003626742400000028
则
Figure FDA0003626742400000029
表示车辆
Figure FDA00036267424000000210
在第n轮采集了道路rk的道路图像和语义数据，否则
Figure FDA00036267424000000211
S3032、根据车辆的历史覆盖向量和本轮的覆盖向量，计算下一轮的车辆覆盖概率向量；其中，车辆
Figure FDA00036267424000000212
的历史覆盖向量和第n轮的覆盖向量分别为
Figure FDA00036267424000000213
和
Figure FDA00036267424000000214
车辆
Figure FDA00036267424000000215
第n+1轮的覆盖概率向量
Figure FDA00036267424000000216
其中，
Figure FDA00036267424000000217
Figure FDA00036267424000000218
为车辆
Figure FDA00036267424000000219
在第n+1轮众包覆盖道路rk的概率：
Figure FDA00036267424000000220
其中，
Figure FDA00036267424000000221
为车辆
Figure FDA00036267424000000222
的参与次数，
Figure FDA00036267424000000223
S3033、通过车辆覆盖概率向量，计算车辆潜在贡献；其中，车辆
Figure FDA00036267424000000224
的在第n轮的潜在贡献
Figure FDA00036267424000000225
与其第n+1轮可能经过道路的优先级有关：
Figure FDA00036267424000000226
S4、众包平台根据车辆的真实贡献、潜在贡献和报价，选择获胜车辆集；
S5、众包平台公布本轮的获胜车辆和失败车辆；根据获胜者的报价给予相应的报酬，并要求获胜车辆上传感知数据；对失败车辆提供虚拟参与积分，并告知本轮的最大获胜报价；
S6、失败车辆计算投资回报率，若低于给定的阈值，则计算期望投资回报率，若期望投资回报率仍然低于该阈值，则失败车辆退出拍卖。
2.根据权利要求1所述的一种高精地图众包中基于参与者贡献的反向拍卖方法，其特征在于，在步骤S1中，要求众包平台在第n轮发布的高精地图众包任务需求有：
时间范围，包括任务开始时间和任务结束时间；
空间范围，包括一组目标道路集R＝{rk}，即根据道路拓扑划分为|R|个独立的道路rk；其中，对于每一个rk∈R，设定期望热度值EHk作为目标感知程度；
第n轮的预算βn，众包平台需要向第n轮的获胜车辆集
Figure FDA0003626742400000031
中的所有获胜车辆
Figure FDA0003626742400000032
提供报酬，且第n轮所有获胜车辆
Figure FDA0003626742400000033
的报酬
Figure FDA0003626742400000034
之和
Figure FDA0003626742400000035
在预算范围内：
Figure FDA0003626742400000036
3.根据权利要求1所述的一种高精地图众包中基于参与者贡献的反向拍卖方法，其特征在于，在步骤S2中，要求参与第n轮众包的车辆
Figure FDA0003626742400000037
收集的数据有：
覆盖集，记作
Figure FDA0003626742400000038
表示车辆
Figure FDA0003626742400000039
在第n轮经过的所有道路，其中
Figure FDA00036267424000000310
表车辆标识符为j的车辆参与了第n轮众包；rk为车辆
Figure FDA00036267424000000311
所覆盖的道路，属于目标道路集R；
报价，表示为
Figure FDA00036267424000000312
表示车辆
Figure FDA00036267424000000313
参与地图众包并提供感知数据向众包平台索要的报酬；
感知数据，包括道路图像和语义数据；其中，语义数据为一组车辆语义集
Figure FDA00036267424000000314
的集合，记作
Figure FDA00036267424000000315
其中，
Figure FDA00036267424000000316
为车辆
Figure FDA00036267424000000317
对道路
Figure FDA00036267424000000318
的语义描述集合，由一组语义对象si组成：
Figure FDA00036267424000000319
利用车辆内置的视觉算法对道路图像进行语义分割，输出当前道路环境的语义内容；其中，si表示语义对象，由路旁物体的语义类型和位置信息组成；其中，语义类型包括车辆、交通标志、交通信号灯和车道线。
4.根据权利要求1所述的一种高精地图众包中基于参与者贡献的反向拍卖方法，其特征在于，所述步骤S4包括以下步骤：
S401、获得第n轮的候选车辆集Vn；其中，
Figure FDA00036267424000000320
S402、初始化第n轮的预算值βn，获胜车辆集
Figure FDA00036267424000000321
失败车辆集
Figure FDA00036267424000000322
当前支出curCost←0；
S403、对于车辆
Figure FDA00036267424000000323
且如果车辆报价满足预算条件，即报价
Figure FDA00036267424000000324
根据车辆的真实贡献、潜在贡献和报价，计算车辆边际贡献；其中，车辆的边际贡献
Figure FDA00036267424000000325
为：
Figure FDA0003626742400000041
其中，
Figure FDA0003626742400000042
为真实贡献，
Figure FDA0003626742400000043
为报价，
Figure FDA0003626742400000044
为虚拟参与积分：
Figure FDA0003626742400000045
其中，
Figure FDA0003626742400000046
为车辆
Figure FDA0003626742400000047
在第n-1轮的潜在贡献，若车辆
Figure FDA0003626742400000048
在第n-1轮的拍卖中失败，其在第n轮的虚拟参与积分
Figure FDA0003626742400000049
与潜在贡献
Figure FDA00036267424000000410
成比例，ε为潜在贡献因子；否则，其虚拟参与积分
Figure FDA00036267424000000411
S404、对于满足预算条件的车辆
Figure FDA00036267424000000412
选择边际贡献
Figure FDA00036267424000000413
最大的车辆，加入获胜车辆集，即
Figure FDA00036267424000000414
同时，修改当前支出
Figure FDA00036267424000000415
S405、重复以上步骤S403和S404，直到curCost≥βn；
S406、计算失败车辆集
Figure FDA00036267424000000416
5.根据权利要求1所述的一种高精地图众包中基于参与者贡献的反向拍卖方法，其特征在于，所述步骤S5包括以下步骤：
S501、众包平台公布本轮的获胜车辆和失败车辆；
S502、根据获胜者报价给予报酬，要求获胜车辆上传感知数据；其中，感知数据包括道路图像和语义数据；
S503、对失败车辆
Figure FDA00036267424000000417
提供虚拟参与积分，并告知本轮的最大获胜报价
Figure FDA00036267424000000418
其中，
Figure FDA00036267424000000419
为第n轮的失败车辆集，最大获胜报价
Figure FDA00036267424000000420
为所有获胜车辆
Figure FDA00036267424000000421
的最大报价
Figure FDA00036267424000000422
Figure FDA00036267424000000423
为第n轮的获胜车辆集，
Figure FDA00036267424000000424
为报价。
6.根据权利要求1所述的一种高精地图众包中基于参与者贡献的反向拍卖方法，其特征在于，所述步骤S6包括以下步骤：
S601、第n轮众包中的失败车辆
Figure FDA00036267424000000425
计算投资回报率
Figure FDA00036267424000000426
Figure FDA00036267424000000427
为第n轮的失败车辆集；其中，投资回报率为：
Figure FDA00036267424000000428
其中，
Figure FDA0003626742400000051
为截止到第n轮拍卖结束时失败车辆
Figure FDA0003626742400000052
获得的总收益，其中，
Figure FDA0003626742400000053
为失败车辆
Figure FDA0003626742400000054
的参与次数，
Figure FDA0003626742400000055
Figure FDA0003626742400000056
为失败车辆
Figure FDA0003626742400000057
参与多轮众包投入的总成本，πj为容忍周期；
S602、若投资回报率
Figure FDA0003626742400000058
低于给定的阈值θj，则计算下一轮的期望投资回报率
Figure FDA0003626742400000059
其中，期望投资回报率为：
Figure FDA00036267424000000510
其中，
Figure FDA00036267424000000511
为最大获胜报价；
S603、若期望投资回报率
Figure FDA00036267424000000512
高于给定的阈值θj，则回归到众包中；若
Figure FDA00036267424000000513
仍然低于阈值θj则失败车辆
Figure FDA00036267424000000514
退出拍卖。
CN202110709450.8A 2021-06-25 2021-06-25 一种高精地图众包中基于参与者贡献的反向拍卖方法 Active CN113379286B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110709450.8A CN113379286B (zh) 2021-06-25 2021-06-25 一种高精地图众包中基于参与者贡献的反向拍卖方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110709450.8A CN113379286B (zh) 2021-06-25 2021-06-25 一种高精地图众包中基于参与者贡献的反向拍卖方法

Publications (2)

Publication Number Publication Date
CN113379286A CN113379286A (zh) 2021-09-10
CN113379286B true CN113379286B (zh) 2022-07-26

Family

ID=77579139

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110709450.8A Active CN113379286B (zh) 2021-06-25 2021-06-25 一种高精地图众包中基于参与者贡献的反向拍卖方法

Country Status (1)

Country Link
CN (1) CN113379286B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020201602A (ja) * 2019-06-06 2020-12-17 国立大学法人 奈良先端科学技術大学院大学 車両共用サービス円滑化システム及び方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105976205A (zh) * 2016-05-04 2016-09-28 南京邮电大学 一种质量敏感的地理区域信息的众包感知方法和系统
CN109242533A (zh) * 2018-08-04 2019-01-18 福州大学 基于拍卖理论的车联网群智感知用户的在线激励方法
CN110189174A (zh) * 2019-05-29 2019-08-30 南京工业大学 一种基于数据质量感知的移动群智感知激励方法
CN112785162B (zh) * 2021-01-26 2024-05-28 华南理工大学 基于智能车语义的高精地图众包数据质量评估方法与系统
CN112950251B (zh) * 2021-05-11 2024-01-26 北京航空航天大学 一种基于信誉的车辆群智感知节点反向组合拍卖激励优化方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020201602A (ja) * 2019-06-06 2020-12-17 国立大学法人 奈良先端科学技術大学院大学 車両共用サービス円滑化システム及び方法

Also Published As

Publication number Publication date
CN113379286A (zh) 2021-09-10

Similar Documents

Publication Publication Date Title
CN112950251B (zh) 一种基于信誉的车辆群智感知节点反向组合拍卖激励优化方法
Iossa et al. Maintaining competition in recurrent procurement contracts: A case study on the London bus market
Xu et al. Dynamic pricing and penalty strategies in a coupled market with ridesourcing service and taxi considering time-dependent order cancellation behaviour
CN105205696A (zh) 互联网广告实时竞价多广告主多因素流量分配方法
James et al. Core-selecting auctions for autonomous vehicle public transportation system
CN109242533A (zh) 基于拍卖理论的车联网群智感知用户的在线激励方法
Lin et al. Comparative analysis of economic instruments in intersection operation: A user-based perspective
Teodorović et al. Auction-based congestion pricing
CN113379286B (zh) 一种高精地图众包中基于参与者贡献的反向拍卖方法
CN107844999B (zh) 基于拍卖机制的网络租车车辆资源分配及定价方法
De Silva et al. Entry and bidding in common and private value auctions with an unknown number of rivals
Pueboobpaphan et al. Experimental analysis of variable surcharge policy of taxi service auction
CN108734456A (zh) 环境感知的共享交通工具计价方法
CN113543055B (zh) 基于双向拍卖机制的车辆边缘计算中资源分配方法
Otegbulu Economic valuation of poor road infrastructure Lagos: A focus on Urban households
You et al. Order allocation strategy for online car-hailing platform in the context of multi-party interests
CN115271092A (zh) 一种面向室内定位联邦学习的群智众筹激励方法
de Mello et al. Decarbonisation and intergovernmental fiscal relations: Policy challenges and reform options
CN113112360A (zh) 一种基于反向拍卖模型的大宗商品交易数据共享激励方法和系统
CN115184366B (zh) 一种基于众包数据的路面病害检测及结算方法
DE10055874A1 (de) Verfahren zur Steuerung des Straßenverkehrs durch elektronische Verhandlungen
Koh Congestion control and vehicle ownership restriction: the choice of an optimal quota policy
Li et al. Design and comparative analysis on real-time trade of road priority in connected traffic
CN111626479B (zh) 一种基于实时数据的计价车客流集散点载客决策方法和系统
JP7514148B2 (ja) 情報処理装置、情報処理方法、情報処理システム及びコンピュータプログラム

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant